精细化宏观实时预测体系.docxVIP

国泰君安证券GUOTAI JUNAN SECURITIES 目录 TOC \o 1-5 \h \z \o Current Document . Nowcasting框架存在的缺乏3 \o Current Document .如何构建更精细化的预测模型4需要解决的问题4 GDPNOW 模型框架介绍4 \o Current Document 模型应用流程5 季度模型-贝叶斯向量自回归 5月度模型-桥联模型 6 增速合成6 \o Current Document .中国宏观经济指标实时预测7 \o Current Document .行业增加值视角的GDP核算7GDP行业分项数据基本情况7 GDP行业分项核算方法8.中国GDPNOW模型设定10 季度：GDP行业分项名义值和价格指数预测10月度：GDP行业分项值预测12 323. GDP预测值合成13 \o Current Document 2021第一季度预测结果分析15 \o Current Document 模型回测检验16 \o Current Document 4.模型应用总结17 \o Current Document 4.1.模型优势与缺乏17 \o Current Document 42研究展望18 \o Current Document 5.结论19 国泰君安证券GUOTAI JUNAN SECURITIES 数量化专题报告 图4工业行业名义值和季调值 ?伍同比一除编 一数据来源： ?伍同比 一除编 一 数据来源：Wind, 因为我国没有发布分项季频实际值，我们还需要对各行业同比价格指数进行预测。 设N-为行业i在t期的名义值，Qi为其实际值，P-为同期价格指数。 我国实际披露的是 R i.= Q i.t/Q 14-4- 1 = N u / N i4_4 / （ Pi.t/Pi.C-4）- 1,那么同比价格增速为： Pi.I/P..l-4=N ia /N i… /（I +Ri.t）据此可以得到各行业同比价格指数历史序列2。 各行业涉及的价格指数种类和复杂程度不同，我们将11个行业划分为 两类，分别对应3个（模型一）和8个行业（模型二）。批发和零售业、 信息传输、软件和信息技术服务业，租赁和商务服务业，仅使用到居民 消费价格和商品零售价格指数（模型一）另外8个行业还涉及PPI和房, 地产价格（模型二）。 与Nowcasting中潜在因子的设定相似，模型一设定了全局、CPI和RPI 等3个潜在因子；模型二设定了全局、CPL RPL PPI和House等5个 因子。基于数据更新，得到各期最新同比价格指数预测值。 在得到各行业季调名义预测值和同比价格指数后，可得到实际增速预测 值：Ri,k1。季度名义值预测在一个季度内不 会发生变化，实际增速观点会随价格指数变动而发生调整。 2信息传输、软件和信息技术服务业，租赁和商务服务业，2015 应行业的平均工资同比增速替代。年之后从其他服务业中拆分出来。在此之前的同比价格使用对表 2信息传输、软件和信息技术服务业，租赁和商务服务业，2015 应行业的平均工资同比增速替代。 年之后从其他服务业中拆分出来。在此之前的同比价格使用对 行业 细分指标 频率 Global CPI RPI 居民消费价格 服务、交通和通信等细分项 月 1 1 0 商品零售价格 含食品、家具等细分项 月 1 0 1 GDP同比价格 行业分项同比价格增长 季 1 0 0 数据来源：；批发和零售业、信息传输、软件和信息技术服务业和租赁和商务服务业国泰君安证券GUO-TAI JUNAN SECURITIES 国泰君安证券 GUO-TAI JUNAN SECURITIES 国泰君安证券GUO-TAI JUNAN SECURITIES数量化专题报告表4:行业分项价格指数模型指标说明（二） 国泰君安证券 GUO-TAI JUNAN SECURITIES 数量化专题报告 行业 细分指标 频率 Global CPI RPI PPI House 居民消费价格 含服务、交通和通信等细分项 月 1 1 0 0 0 商品零售价格 含食品、家具等细分项 月 1 0 1 0 0 工业出厂价格 含各行业大类 月 1 0 0 1 0 企业商品价格 含农、矿等产品分项 月 1 0 1 0 0 房地产价格 房价指数 月 1 0 0 0 1 GDP同比价格 行业分项同比价格增长 季 1 0 0 0 0 数据来源：国泰君安证券研究 3.22 月度：GDP行业分项值预测 月度模型最为核心的是寻找到与行业分项最直接相关、逻辑关联最紧密 的高频数据。基于GDP核算手册和数据可得性，我们为每一个行业筛选 了相应的高频数据，见下表。 表5:行业分项桥联模型指标说明行业月频指标筛